为什么 Datasite 选择购买文档解析工具，而不是自己开发

Reducto 联合创始人兼 CEO Adit Abraham 介绍了 Datasite 全球首席技术官 Raj Bakhru。Bakhru 从两个角度观察过垂直 AI：他创立了 BlueFlame，又在公司被 Datasite 收购后加入后者。

Abraham 说，超过 1 亿美元的交易中约有 60% 通过 Datasite 进行；Bakhru 确认了这一数字。Datasite 的虚拟数据室存放交易期间银行家、私募股权公司和尽职调查服务商交换的文件。

Bakhru 职业生涯早期为量化基金开发研究和交易系统，之后创立了一家安全公司。后来，他预见到非结构化数据的重要性，于是创办 BlueFlame，将垂直 AI 应用于并购。

作为一家小型初创公司，BlueFlame 为节省资金，自建了大量解析和文档摄取流程。系统一开始可以运行，但随着客户文档越来越多样，失败案例和支持工单也越来越多。

大约一年半后，Datasite 收购了 BlueFlame。首要任务是把这项技术引入数据室。Bakhru 说，平台处理数十亿页内容，拥有超过 50 万月活跃用户，每年承载约 5.5 万个数据室。

团队需要解析这些内容并将其写入向量数据库，建立 Graph RAG 平台，再大规模回答用户问题。Datasite 过去一直将敏感交易数据留在 Azure 内，因此使用 Reducto 之前，团队必须解决安全和监管合规要求。

Bakhru 说，团队对自建的提取和摄取工具做了基准测试。综合考虑质量、速度、召回率、成本以及快速推进的需要后，他们选择了 Reducto。

解析工作最终变成了接连不断的特殊情况。一个模型误读了饼图图例与颜色之间的对应关系，同样的信息换成柱状图却能读对。金融表格也有自己的难点，包括合并单元格和复杂布局。

自建还是购买，最后变成了一个问题：稀缺的工程时间应该花在哪里？Bakhru 更愿意把提取问题交给专业供应商，让自己的工程师开发面向客户的智能体、界面和 RAG 平台。

这样一来，数据科学团队就可以专注于 Graph RAG，而不是不断修补表格提取问题。Excel 二进制文件、宏和模板等格式都会持续带来新情况。

Bakhru 回忆了 BlueFlame 的早期经历：此前他很快卖掉了一家公司，这一次创始团队原本打算长期独立经营。他们请来了熟悉且信任的人，起初很大程度上靠自己的资金建设公司。

BlueFlame 即将完成第一轮风险融资时，曾询问 Datasite 是否愿意投资 500 万美元。看过演示、共进晚餐后，Datasite 转而提出收购整家公司。

Bakhru 说，团队预计要在垂直 AI 领域保持竞争力，可能需要融资数亿美元，并承受大幅股权稀释。前沿模型提供商当时也开始推进针对特定行业的策略。

Datasite 提供了独特的数据资源：虚拟数据室，以及私营公司数据库 Grata。Bakhru 说，Grata 覆盖约 2,000 万家私营公司。对 BlueFlame 而言，把这些数据与 AI 产品结合是加入 Datasite 的重要理由。

他说，团队的基准测试显示，让数据更靠近模型提高了质量，也降低了 token 成本和运行时间。随着流入内容持续增长，Reducto 的摄取与处理能力变得愈发重要。

Bakhru 估计，过去一年半里 Datasite 的收入增长约 40%。客户需求也从针对文档提问扩展到让智能体执行尽职调查、生成演示文稿和投资委员会备忘录。

谈到自建还是购买时，Bakhru 说 Datasite 有意使用许多供应商。他希望最优秀的工程师解决困难的业务问题，而不是维护专业供应商已经能处理的组件。

他认为，具备扎实代码库心智模型的资深工程师能从 AI 编程工具中获得很大收益。他也看到初级工程师的能力得到放大，因此倾向同时招聘很有经验和初级的人才。

Bakhru 说，公司希望在接近 10 亿美元营收规模的基础上每年增长约 20%。按他的计算，这意味着每年需要通过新 AI 产品和扩展服务创造约 2 亿美元的新增收入。

他管理约 250 名工程师，负责五项主要计划，包括新产品、工具整合和商业模式。他希望把工程师分配到这些创造收入的项目，尽可能少地维护可以外包的底层组件。

剩下的挑战是让模型准确完成应用所需的任务。团队仍需比较模型行为、工具调用方式、速度、成本和质量。Bakhru 说，金融用户最看重质量，同时也必须管理另外两个因素。

在现场问答中，Bakhru 说 Reducto 在 Datasite 的环境内运行。大型交易文件可能突然集中上传，数据量最高可达 1 TB；摄取流程处理内容后送入向量数据库，再在其上构建 Graph RAG。

一位听众询问如何评估处理敏感交易文件的智能体。Bakhru 介绍了 VDR Bench：其中一个虚拟数据室包含数百份文档，配有数百个已知答案的问题。团队在发生变更后会重新运行测试。

这个基准目前供内部使用，但 Bakhru 说团队正考虑公开。其目标是超越把同一批文件直接交给前沿模型项目的效果。他表示，团队测试中 Reducto 的解析使召回率提高了 22%，并认为内容提取质量会显著影响后续所有环节。